- 推荐0
- 收藏3
- 浏览652
快乐机器学习
- 书 号：978-7-121-37590-3
- 出版日期：2020-01-01
- 页 数：356
- 开 本：16(170*240)
- 出版状态：上市销售
- 维护人：王静
学习并精通任何一门学科无外乎要经过四个步骤：它是什么？它可行吗？怎么学它？如何学好它？机器学习也不例外，《快乐机器学习》就以这四个步骤来介绍机器学习。
《快乐机器学习》第1章介绍“机器学习是什么”，即从定义开始，详细介绍机器学习涉及的知识、数据和性能度量。第2章介绍“机器学习可行吗”，即介绍机器具备学习样本以外的数据的能力。
第3章介绍“机器学习怎么学”，即介绍机器如何选择出*优模型。作者在这3章的写作上花费的时间*多，光这3章的内容就绝对会让读者有所收获。
第4~14章介绍“如何学好机器学习”，重点介绍机器学习的各类算法和调参技巧。
第15 章介绍机器学习中的一些非常实用的经验，包括学习策略、目标设定、误差分析和偏差与方差分析。作者写作本书的目的是深入浅出介绍机器学习，使看似复杂、晦涩的专业知识变得通俗易懂，让那些想入门的读者感觉门槛没有那么高，让有基础的读者感觉内容也很丰富。
为了达到这两个目的，本书用有趣的引言故事来激起读者的阅读兴趣，用清晰的思维导图来明晰结构，用自画图表来增强美感，用公式推导来讲透原理，达到趣、美、准、全，让每位读者从本书中获益，快乐地学习机器学习。《快乐机器学习》非常适合机器学习初学者、高校相关专业学生及有一定数学和统计学基础的高中生学习。
《快乐机器学习》第1章介绍“机器学习是什么”，即从定义开始，详细介绍机器学习涉及的知识、数据和性能度量。第2章介绍“机器学习可行吗”，即介绍机器具备学习样本以外的数据的能力。
第3章介绍“机器学习怎么学”，即介绍机器如何选择出*优模型。作者在这3章的写作上花费的时间*多，光这3章的内容就绝对会让读者有所收获。
第4~14章介绍“如何学好机器学习”，重点介绍机器学习的各类算法和调参技巧。
第15 章介绍机器学习中的一些非常实用的经验，包括学习策略、目标设定、误差分析和偏差与方差分析。作者写作本书的目的是深入浅出介绍机器学习，使看似复杂、晦涩的专业知识变得通俗易懂，让那些想入门的读者感觉门槛没有那么高，让有基础的读者感觉内容也很丰富。
为了达到这两个目的，本书用有趣的引言故事来激起读者的阅读兴趣，用清晰的思维导图来明晰结构，用自画图表来增强美感，用公式推导来讲透原理，达到趣、美、准、全，让每位读者从本书中获益，快乐地学习机器学习。《快乐机器学习》非常适合机器学习初学者、高校相关专业学生及有一定数学和统计学基础的高中生学习。
有趣的引言故事：激起兴趣
清晰的思维导图：明晰结构
创意的自画图表：更易理解
详细的算法推导：讲透原理
每个知识点都是理论和实践相结合，既有严谨的数学推导，又有多样的代码展示，图文并茂
清晰的思维导图：明晰结构
创意的自画图表：更易理解
详细的算法推导：讲透原理
每个知识点都是理论和实践相结合，既有严谨的数学推导，又有多样的代码展示，图文并茂
前言
作者写作本书的目的就是用通俗的文字来讲解机器学习，最好通俗得如作者在女儿生日时给她写的信：
亲爱的欣玥：
从2020年开始，愿你：
? 学习不要死记硬背，避免过拟合；也不要蜻蜓点水，避免欠拟合。
? 心态像随机梯度下降一样，不要过分注重眼前的利益和一时的得失，进而看不清大局而被假象蒙骗。
? 抉择像随机森林一样，各取所长，集思广益，这样你才能做出最正确的决定。
? 操行像自适应提升一样，知错能改，这样你才能越来越优秀。
? 说话像奥卡姆剃刀原理一样，牢记“少就是多”，当一个好的聆听者。
? 脾气不要像梯度爆炸一样越来越大，也不要像梯度消失一样没有，要稳定地敢爱敢恨。
? 容忍像支持向量机一样，最大化你的容错间隔。有一些错误是在所难免的，要学会将硬间隔变成软间隔。
? 生活像偏差和方差达到最优点一样，不偏不倚，不骄不躁。
从2020年开始，爸爸会
? 最初辅导你有监督学习。
? 然后锻炼你半监督学习。
? 接着放任你无监督学习。
? 不断评估你要增强学习。
当学习到了某个临界点时，不管外界资源多么丰富，你的表现一定会趋于稳定，这时必须靠深度学习才能最大程度地突破自我，最终获得迁移学习的能力。
学习并精通一门学科无外乎要经过四个步骤：它是什么？它可行吗？怎么学它？如何学好它？学习机器学习也不例外，本书就以这四个步骤来解读机器学习。
? 第1章介绍“机器学习是什么”，即从定义开始，详细介绍机器学习涉及的知识、数据和性能度量。
? 第2章介绍“机器学习可行吗”，即机器具备学习样本以外的数据的能力。本章从概率的角度证明样本内误差和样本外误差的关系。
? 第3章介绍“机器学习怎么学”，即机器如何选出最优模型。本章介绍机器学习版本的样本内误差（训练误差）和样本外误差（测试误差），再通过验证误差来选择模型。
前3章属于机器学习的概述：第1章介绍机器学习的概念，为了让读者打好基础；第2章为证明机器学习是可行的，让读者做到心中有数；第3章运用机器学习性能指标而构建框架，看懂它们不需要精通任何机器学习的算法。作者在这3章的写作上花费的时间最多，光这3章的内容就绝对让读者有所收获。
第4~14章介绍“如何学好机器学习”，重点介绍机器学习的各类算法和调参技巧。在本书中，机器学习模型分为线性模型、非线性模型和集成模型。
? 第4~8章介绍线性模型，包括线性回归模型、对率回归模型、正则化回归模型、支持向量机模型。
? 第9~11章介绍非线性模型，包括朴素贝叶斯模型、决策树模型、人工神经网络模型、正向/反向传播模型。
? 第12~14章介绍集成模型，包括随机森林模型、提升树模型、极度梯度提升模型。
第15章介绍机器学习中一些非常实用的经验，包括学习策略、目标设定、误差分析、偏差和方差分析。
为了帮助读者阅读，下面的流程图展示了整本书的大框架。
本书的每一章都以通俗的引言开始，吸引读者；以精美的思维导图过渡，让讲解思路更清晰；以简要的总结结束，让读者巩固所学的知识。此外，每个知识点都是理论和实践相结合，既有严谨的数学推导，又有多样（Python和MATLAB）的代码展示，图文并茂，最好地服务各类读者。
作者非常欣赏谷歌大脑研究员Chris Olah的观点“I want to understand things clearly, and explain them well”，即力争把每个知识点弄懂、弄透，然后以通俗易懂的方式让其他人学会、学透。作者愿意做 “把困难的东西研究透而简单展示给大众”的人（Research Distiller），因为学术界中的论文虽然“高大上”，但是很多会让读者读完还是一头雾水。用Chris Olah的话来讲，这种以不清不楚的方式来解释高难课题的做法欠下了太多研究债务（Research Debt）。
这本书能够完成，受到很多机器学习优质课程的启发，比如斯坦福大学Andrew Ng教授的CS229 课程、加州理工学院Yaser S. Abu-Mostafa教授的Learning from Data课程、台湾大学林轩田教授的机器学习基石和技法、华盛顿大学Emily Fox和Carlos Guestrin教授的Machine Learning Specialization。他们的课程都是理论结合实际，通俗而不失严谨，学习这些课程可以让我解决工作中的很多需求，可见这些课程的含金量之高，在这里我想对他们表达最真挚的感谢（即便他们也不认识我 ）！
此外，感谢父母无条件地支持我写书，感谢爷爷、大伯和姐夫经常阅读我的公众号文章，经常鼓励我，感谢夫人在我写书时帮着带娃，感谢女儿给我的无穷动力：想象着以后她拿着我写的书可以自豪地跟别的小朋友说“这是我爸爸写的书”。最后感谢所有“王的机器”公众号的读者，你们的支持和反馈一直激励着我不断进步，这本书是特别为你们而写的。
由于作者水平有限，书中难免会有错漏之处，欢迎诸位专家和广大读者斧正。
作者写作本书的目的就是用通俗的文字来讲解机器学习，最好通俗得如作者在女儿生日时给她写的信：
亲爱的欣玥：
从2020年开始，愿你：
? 学习不要死记硬背，避免过拟合；也不要蜻蜓点水，避免欠拟合。
? 心态像随机梯度下降一样，不要过分注重眼前的利益和一时的得失，进而看不清大局而被假象蒙骗。
? 抉择像随机森林一样，各取所长，集思广益，这样你才能做出最正确的决定。
? 操行像自适应提升一样，知错能改，这样你才能越来越优秀。
? 说话像奥卡姆剃刀原理一样，牢记“少就是多”，当一个好的聆听者。
? 脾气不要像梯度爆炸一样越来越大，也不要像梯度消失一样没有，要稳定地敢爱敢恨。
? 容忍像支持向量机一样，最大化你的容错间隔。有一些错误是在所难免的，要学会将硬间隔变成软间隔。
? 生活像偏差和方差达到最优点一样，不偏不倚，不骄不躁。
从2020年开始，爸爸会
? 最初辅导你有监督学习。
? 然后锻炼你半监督学习。
? 接着放任你无监督学习。
? 不断评估你要增强学习。
当学习到了某个临界点时，不管外界资源多么丰富，你的表现一定会趋于稳定，这时必须靠深度学习才能最大程度地突破自我，最终获得迁移学习的能力。
学习并精通一门学科无外乎要经过四个步骤：它是什么？它可行吗？怎么学它？如何学好它？学习机器学习也不例外，本书就以这四个步骤来解读机器学习。
? 第1章介绍“机器学习是什么”，即从定义开始，详细介绍机器学习涉及的知识、数据和性能度量。
? 第2章介绍“机器学习可行吗”，即机器具备学习样本以外的数据的能力。本章从概率的角度证明样本内误差和样本外误差的关系。
? 第3章介绍“机器学习怎么学”，即机器如何选出最优模型。本章介绍机器学习版本的样本内误差（训练误差）和样本外误差（测试误差），再通过验证误差来选择模型。
前3章属于机器学习的概述：第1章介绍机器学习的概念，为了让读者打好基础；第2章为证明机器学习是可行的，让读者做到心中有数；第3章运用机器学习性能指标而构建框架，看懂它们不需要精通任何机器学习的算法。作者在这3章的写作上花费的时间最多，光这3章的内容就绝对让读者有所收获。
第4~14章介绍“如何学好机器学习”，重点介绍机器学习的各类算法和调参技巧。在本书中，机器学习模型分为线性模型、非线性模型和集成模型。
? 第4~8章介绍线性模型，包括线性回归模型、对率回归模型、正则化回归模型、支持向量机模型。
? 第9~11章介绍非线性模型，包括朴素贝叶斯模型、决策树模型、人工神经网络模型、正向/反向传播模型。
? 第12~14章介绍集成模型，包括随机森林模型、提升树模型、极度梯度提升模型。
第15章介绍机器学习中一些非常实用的经验，包括学习策略、目标设定、误差分析、偏差和方差分析。
为了帮助读者阅读，下面的流程图展示了整本书的大框架。
本书的每一章都以通俗的引言开始，吸引读者；以精美的思维导图过渡，让讲解思路更清晰；以简要的总结结束，让读者巩固所学的知识。此外，每个知识点都是理论和实践相结合，既有严谨的数学推导，又有多样（Python和MATLAB）的代码展示，图文并茂，最好地服务各类读者。
作者非常欣赏谷歌大脑研究员Chris Olah的观点“I want to understand things clearly, and explain them well”，即力争把每个知识点弄懂、弄透，然后以通俗易懂的方式让其他人学会、学透。作者愿意做 “把困难的东西研究透而简单展示给大众”的人（Research Distiller），因为学术界中的论文虽然“高大上”，但是很多会让读者读完还是一头雾水。用Chris Olah的话来讲，这种以不清不楚的方式来解释高难课题的做法欠下了太多研究债务（Research Debt）。
这本书能够完成，受到很多机器学习优质课程的启发，比如斯坦福大学Andrew Ng教授的CS229 课程、加州理工学院Yaser S. Abu-Mostafa教授的Learning from Data课程、台湾大学林轩田教授的机器学习基石和技法、华盛顿大学Emily Fox和Carlos Guestrin教授的Machine Learning Specialization。他们的课程都是理论结合实际，通俗而不失严谨，学习这些课程可以让我解决工作中的很多需求，可见这些课程的含金量之高，在这里我想对他们表达最真挚的感谢（即便他们也不认识我 ）！
此外，感谢父母无条件地支持我写书，感谢爷爷、大伯和姐夫经常阅读我的公众号文章，经常鼓励我，感谢夫人在我写书时帮着带娃，感谢女儿给我的无穷动力：想象着以后她拿着我写的书可以自豪地跟别的小朋友说“这是我爸爸写的书”。最后感谢所有“王的机器”公众号的读者，你们的支持和反馈一直激励着我不断进步，这本书是特别为你们而写的。
由于作者水平有限，书中难免会有错漏之处，欢迎诸位专家和广大读者斧正。
相关图书
AI魔法绘画：用Stable Diffusion挑战无限可能
本书以实际操作为导向，详细讲解基于Stable Diffusion进行AI绘画的完整学习路线，包括绘画技巧、图片生成、提示词编写、ControlNet插件、模型...
知识图谱与认知智能：基本原理、关键技术、应用场景与解决方案
认知的高度决定了你创造价值的高度，包括你对世界的认知及世界对你的认知。知识图谱与认知智能技术的发展，既孕育了圈层变更的机会，也带来了人、机器、企业如何协同与博弈...